视觉测量技术中的图像分割方法分类与性能评价

2023-11-24 理论教育版权反馈

【摘要】：简言之，图像分割就是聚类，将图像中不同的区域进行分类，进而提取目标。图4.1 图像分割方法分类3.图像分割方法分类分割过程中主要有两种处理策略：并行算法和串行算法。噪声污染图像的某种图像分割算法性能评价分析目的：评价在不同种类、不同强度噪声污染情况下该图像分割算法的性能。

1.图像分割概念

图像分割就是根据像素的灰度、颜色、纹理等特性按照一定的原则将一幅图像或景物分割成若干个特定的、具有独特性质的部分或子集，并提取出感兴趣目标的技术和过程。与很多其他计算机技术类似，图像分割也没有统一的定义，不同的人可能有不同的解释和表述。下面给出一个借助于集合概念描述的图像分割定义：

令集合R代表整个图像区域，对R的分割可看作将R分成N个满足以下五个条件的非空子集（子区域）R₁，R₂，…，R_N：

1）；

2）对所有的i和j，i≠j，有；

3）对i=1，2，…，N，有P（R_i）=true；

4）对i≠j，有P（R_i∪R_j）=false；

5）对i=1，2，…，N，R_i是连通的区域。其中，P（R_i）是对所有在集合R_i中元素的逻辑谓词，代表空集。条件1）指出分割所得到的全部子区域的总和（并集）应能包括图像中所有的像素条件；条件2）指出分割后属于同一区域的像素应该具有某些相同特性；条件3）指出各个子区域是互不重叠的，或者一个像素不能同时属于两个区域；条件4）指出分割后得到的属于不同区域的像素应该具有不同的特性，即没有共性；条件5）要求同一个子区域内的像素应该是连通的。需要说明的是，实际的视觉测量系统都是针对某种特定的应用背景的，所以条件中的各种关系也是根据实际需求而设定的。迄今为止，还没有一种通用的图像分割方法。在不同领域中有时也用其他名称，如目标轮廓技术、阈值化技术、图像区分或求差技术、目标检测技术、目标识别技术、目标跟踪技术等。这些本身或核心实际上都是指图像分割技术。

简言之，图像分割就是聚类，将图像中不同的区域进行分类，进而提取目标。只有找到目标才能对目标进行测量等后续处理。这是一项具有挑战性的工作，是图像测量中最重要的环节之一。尤其是复杂背景下的图像分割，其难度更大。图像处理在图像工程中属于图像分析层次。

2.图像分割准则

从分割的角度看，图像分割有两个重要的分割准则：相邻像素之间的相似性和非连续性。根据分割时所依据的分割准则，可以将现有的分割方法分为如图4.1所示的两大类：基于不连续性的边缘分割算法和基于相似性的区域分割算法。其中相似性的区域分割就是将具有同一特性的像素聚集在一起，形成一个目标；基于不连续性的边缘分割就是首先检测局部不连续性，然后把它们连接在一起形成边界，根据边界将图像分割成不同的区域。随着计算机处理能力的提高，很多方法不断涌现，如基于彩色分量分割、纹理图像分割。另外所使用的数学工具和分析手段也是不断扩展的，从时域信号到频域信号处理、小波变换等。

图4.1 图像分割方法分类

3.图像分割方法分类

分割过程中主要有两种处理策略：并行算法和串行算法。并行算法中所用判断和决定都可独立和同时做出；串行算法中早期的处理结果可被其后的处理过程所利用。

（1）并行边界分割技术

主要指图像边缘检测技术。包括如下两个步骤：

1）检测目标的边缘点。

2）根据检测的边缘点连接边缘，组成目标的边界。

（2）并行区域分割技术

并行区域分割技术主要有两种方法：

1）阈值化算法阈值化算法是图像分割中算法数量最多的一类。

2）特征空间聚类例如彩色图像分割，通过像素的颜色特征，将目标分割出来。以足球机器人色标为例。从某种意义上说，像素特征空间聚类可以看成是阈值化技术的推广。有些多维特征空间分类问题也可转化为多次阈值分割来处理。图像阈值化和特征空间聚类的直接结果是把图像中各个区域分开，把其中的目标区域提取出来，还需要对各区域进行识别标记。

（3）串行区域分割技术

串行区域分割技术是指采用串行处理的策略，通过对目标区域的直接检测来实现图像分割的技术。

串行分割方法的特点是将整个处理过程分解为顺序的多个步骤逐次进行。其中，对后续步骤的处理要根据前面已完成步骤的处理结果进行判断而确定。其判断是要根据一定的准则来进行的。例如，如果准则是基于图像灰度特征的，则该方法可用于灰度图像的分割；如果准则是基于图像的其他特性（如纹理）的，则该方法可用于相应图像的分割。串行区域分割技术有两种基本形式：

1）从单个像素出发，逐渐合并以形成所需的分割区域。

2）从全图出发，逐渐分裂切割至所需的分割区域。

4.图像分割评价

（1）图像分割评价要求

图像分割评价可以分成两种情况：

1）性能刻画掌握某种算法在不同分割情况中的表现，以通过选择算法参数来适应分割具有不同内容的图像和分割在不同条件下采集的图像的需要。

2）性能比较比较不同算法在分割给定图像时的性能，以帮助在具体分割应用中选取合适的算法或改进已有算法。(www.chuimin.cn)

为达到分割评价的目的，对评价方法要有如下要求：

1）应具有广泛的通用性，即评价方法要适用于评价不同类型的分割算法，并适合各种应用领域情况。

2）应采用定量和客观的性能评价准则，这里的定量是指可以精确地描述算法的性能，客观是指评判要摆脱人为因素。

3）应选取通用图像进行测试以使评价结果具有可比性和可移植性，同时这些图像应尽可能地反映客观世界的真实情况和实际应用领域的特点。

（2）图像分割评价准则

图像分割评价要基于一定的评价准则，也称评价指标或测度。评价准则可以分成分析准则和实验准则，也可分成定性准则和定量准则。因此，综合起来可分成如下准则：

1）定性的分析准则；

2）定性的实验准则；

3）定量的分析准则；

4）定量的实验准则。

其中，定量分析准则比定性分析准则可以获得对所评价算法更精确的信息。但定性分析准则不需要用计算机具体实现算法，并且评价结果不会受到评价实验的影响。

（3）图像分割评价框架

图4.2所示为一个图像分割算法评价的框架示意图，它主要包括三个模块：

1）性能分析；

2）图像合成；

3）算法测试。

图4.2 图像算法分割评价框架示意图

有关分析目的、评价要求、图像获取及处理条件和因素，可以有选择地结合进这个框架，因此它可以适用于各种应用领域。同时，研究分割算法时只需要用到图像分割的结果，所以这一框架可适用于所有分割算法。为了进一步说明上述框架的含义，下面通过实例进行说明。

【例4.1】噪声污染图像的某种图像分割算法性能评价

分析目的：评价在不同种类、不同强度噪声污染情况下该图像分割算法的性能。

干扰因素：不同种类、不同强度噪声，如高斯噪声、椒盐噪声。

图像合成：采用标准图像，如lena图，加入不同均值和方差的高斯噪声或加入不同密度的椒盐噪声形成测试样本图像。

试验图像：加入噪声的测试样本图像。

评价要求：图像分割的评价指标及根据评价指标需评价的效果。

原始特征值：未加入噪声的原始图像的特征值。

实际特征值：噪声污染图像的特征值。

待测算法：待评价的图像分割方法。

算法测试：将算法作用于噪声污染的样本图像。

性能分析评判：根据评价要求，对比原始特征值和实际特征值，给出评价结果的过程。与其他图像分割方法的分割结果进行比较。

评价结果：对图像分割方法性能和效果的评价。

视觉测量技术中的图像分割方法分类与性能评价

相关推荐